PENERAPAN ALGORITMA LEARNING VECTOR QUANTIZATION DALAM PENGKLASIFIKASIAN TINGKAT PENCEMARAN AIR SUNGAI

Transkripsi

1 PENERAPAN ALGORITMA LEARNING VECTOR QUANTIZATION DALAM PENGKLASIFIKASIAN TINGKAT PENCEMARAN AIR SUNGAI Muhammad Ridha Rahimi1), Hartatik2 1), 2) Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta mridharahimi@gmail.com1), hartatik@amikom.ac.id2) Abstrak Air sungai sering dipakai untuk kebutuhan sehari-hari seperti mandi, cuci, kakus selain itu digunakan untuk perikanan, pertanian, perkebunan, dan air minum. Menurut Badan Pusat Statistik (BPS) untuk daerah perkotaan dan perdesaan ada sekitar 17,11% atau rumah tangga yang masih menggunakan air sungai sebagai kebutuhan air minum[3]. Nilai ini menempati urutan ke-2 setelah air ledeng karena banyak digunakan di daerah perkotaan. Tapi jika dilihat dari daerah perdesaan air sungai menjadi yang terbanyak digunakan sebagai air minum sekitar 26% dari sumber air minum lainnya. Dikhawatirkan adalah air sungai di Kalimantan Selatan sebagai kebutuhan sehari-hari menjadi sasaran untuk pembuangan limbah para industri nakal, mengingat perkembangan industri dan pembangunan semakin meningkat. Pesatnya pembangunan setiap tahunnya pada Kalimantan Selatan memungkinkan terjadinya kerusakan lingkungan. satu kerusakan lingkungan adalah pencemaran air sungai yang disebabkan oleh limbah pabrik dari pabrik-pabrik ataupun dari pembuangan sampah sembarangan yang tidak pada tempatnya. Pencemaran tersebut akan diklasifikasikan kedalam beberapa kelas sesuai parameter-parameter masukannya. Pengklasifikasian ini biasanya dilakukan secara manual dengan metode Indeks Pencemaran. Dalam mengklasifikasikan suatu permasalahan dengan jumlah data yang besar membutuhkan metode cepat dan akurat. satunya adalah menggunakan metode jaringan syaraf tiruan. Penelitian ini bertujuan untuk mengimplementasikan pengklasifikasian tingkat pencemaran air sungai menggunakan Jaringan Syaraf Tiruan metode Learning Vector Quantization. Bersumber data dari BPS tahun pembanguna di Kalimantan Selatan mengalami peningkatan setiap tahunya. Pada tahun 2013 mengalami peningkatan sebesar 0,66% dari tahun sebelumnya[4]. Peningkatan juga terjadi pada sektor industri dalam hal produksi sebesar 0,75% di triwulan I 2015 dibandingkan dengan triwulan I 2014 untuk industri manufaktur besar dan sedang, sebesar 14,72% untuk industri manufaktur mikro dan kecil[5]. Semakin meningkatnya perkembangan industri dan pembangunan maka semakin bertambah pula kemungkinan resiko bahaya pencemaran pada perairan khususnya air sungai di Kalimantan Selatan yang disebabkan oleh hasil buangannya[2]. Maka dikeluarkannya Peraturan Gubernur Kalimantan Selatan No. 05 Tahun Peraturan ini dibuat bertujuan untuk memelihara kualitas air sungai agar tetap bermanfaat untuk kebutuhan sehari-hari dan mencegah kemungkinan pencemaran air sungai. Penelitian yang dilakukan menggunakan 22 parameter sebagai neuron input dan 4 neuron output. Data ajar yang digunakan dalam penelitian ini sebanyak 100 dan data uji sebanyak 50. Learning rate yang ditetapkan dalam proses perhitungannya adalah 0,01 dan iterasi maksimal yang ditetapkan berjumlah Hasil pengujian menunjukkan bahwa dengan 100 data ajar dan 50 data uji, nilai keakuratan yang didapat sebesar 76%. Kata kunci:jaringan syaraf tiruan, learning vector quantization, pencemaran air sungai. 1. Pendahuluan Kalimantan Selatan terkenal dengan pasar terapungnya yang berada di atas sungai Barito. Tidak hanya berjualan, sungai ini juga dipakai masyarakat sekitar sebagai alat angkut atau transportasi mereka[1]. Selain sungai Barito ada 144 induk sungai lainnya yang tersebar dibeberapa kabupaten Kalimantan Selatan[2]. Sungaisungai di Kalimantan Selatan selain untuk transportasi juga dipakai masyarakat untuk memenuhi kebutuhan sehari-hari. Hasil riset dari Greenpeace Indonesia pada salah satu laporannya yang berjudul Terungkap:Tambang Batubara Meracuni Air Kalimantan Selatan menerangkan 29 sampel yang diambil dari limbah cair, air kolam dan anak sungai sebagian besar telah melampaui batas baku mutu yang di tetapkan pemerintah untuk buangan limbah batubara, karena tingginya kadar besi, mangan dan keasaman[6]. 22 sampel memiliki ph di bawah 6, 17 sampel melewati baku mutu pembanding logam berat mangan dan 7 sampel melewati baku mutu 4.9-1

2 pembanding logam besi. Sebagian sampel yang diambil merupakan daerah yang berdekatan bahkan terhubung dengan anak sungai mangkaok, martapura, riamkiwa, asam-asam dan batulicin. Yang mebahayakan dalam riset ini adalah penampungan air limbah yg berdekatan dengan lingkungan warga sekitar dan beberapa sungai, bahkan terdapat beberapa lubang kecil pada dinding tambang bocoran yang mengalir ke sungai milik masyarakat. Sungai kecil tersebut digunakan masyarakat untuk mengaliri perkebunan, mandi dan memasak air. Kondisi tersebut yang membuat masyarakat perlu untuk melakukan pengecekan kualitas air sungai sebelum digunakan sebagai pemenuhan kebutuhan sehari-hari terutama untuk konsumsi. Dalam pengklasifikasian tingkat pencemaran air ada beberapa parameter yang menjadi pertimbangan dalam analisis pencemaran air. Parameter tersebut meliputi parameter fisika dan kimia. Parameter fisika adalah temperatur atau suhu mewakili neuron 1 (x1), Zat Padat Tersuspensi (TSS) mewakili neuron 2 (x2) dan Zat Padat Terlarut (TDS) mewakili neuron 3 (x3). Parameter kimia adalah Besi (Fe) mewakili neuron 4 (x4), Kadmium (Cd) mewakili neuron 5 (x5), Mangan (Mn) mewakili neuron 6 (x6), ph mewakili neuron 7 (x7), BOD mewakili neuron 8 (x8), COD mewakili neuron 9 (x9), DO mewakili neuron 10 (x10), Amoniak (NH3-N) mewakili neuron 11 (x11), Sulfat (SO4) mewakili neuron 12 (x12), Timbal (Pb) mewakili neuron 13 (x13), Nitrat (NO3-N) mewakili neuron 14 (x14), Nitrit (NO2-N) mewakili neuron 15 (x15), Minyak dan Lemak mewakili neuron 16 (x16), Klorida (Cl) mewakili neuron 17 (x17), Aluminium (Al) mewakili neuron 18 (x18), Kesadahan (CaCO3) mewakili neuron 19 (x19), Sulfida (H2S) mewakili neuron 20 (x20), Arsen (As) mewakili neuron 21 (x21) dan Sianida (CN) mewakili neuron 22 (x22). Maka jumlah dari semua neuron input adalah sebanyak 22 unit neuron. Namun nilai input tidak langsung di proses oleh algortima LVQ akan tetapi nilai itu akan dinormalisasi terlebih dahulu agar kesenjangan antar data tidak terpaut jauh. Semua nilai parameter akan dinormalisasi ke dalam rentang 0-1. Normalisasi dirumuskan sebagai berikut.[9]. Penanggulangan pencemaran dan atau kerusakan lingkungan di indonesia telah diatur pada UndangUndang Republik Indonesia Nomor 32 Tahun 2009 tentang perlindungan dan pengelolaan lingkungan hidup. satu yang dapat dilakukan mahasiswa teknik informatika dalam pengendalian pencemaran adalah melalui Pasal 53 ayat (2) huruf (d) yang berbunyi cara lain yang sesuai dengan perkembangan ilmu pengetahuan dan teknologi [7]. Sesuai dengan poin tersebut, maka dalam penelitian ini mencoba untuk membangun sebuah aplikasi yang dapat megenali kualitas air sungai berdasarkan parameter kandungan fisika dan kimia pada air sungai yang akan diuji menggunakan jaringan syaraf tiruan algoritma Learning Vector Quantization (LVQ)....(1) Dalam penelitian ini LVQ diminta untuk dapat mengenali 4 tingkat pencemaran air sungai yaitu, memenuhi baku mutu (y1), tercemar ringan (y2), tercemar sedang (y3) dan tercemar berat (y4), sehingga LVQ mempunyai 4 kelas output. Setiap unit input mempunyai bobot(w) pada kelasnya masing-masing, jadi bobot pada penelitian ini sebanyak 22 unit untuk setiap kelas LVQ. Karena penelitian akan dilakukan untuk 4 kelas pencemaran air (Kelas I, II, III dan IV) maka banyak bobot adalah sebanyak 22 x 4 x 4. Data yang akan dijadikan data pembelajaran pada aplikasi ini berjumlah 100 unit dimaksudkan agar aplikasi dapat mengenali pola dengan baik. 2. Pembahasan Dalam pengklasifikasian tingkat pencemaran air sungai biasanya melalui proses pengambilan sampel air dan dibawa ke laboraturium untuk mengetahui zat apa saja yang terkandung dalam air tersebut. Kadar zat terkandung pada sampel diolah dengan metode indeks pencemaran (pollution index) oleh seorang penganalisa air. Data hasil metode tersebutlah yang akan mengklasifikasikan ke dalam tingkat pencemaran air yang diuji. Pada metode tersebut penghitungan data sampel air menggunakan rumus yang cukup rumit, belum lagi ada beberapa parameter air yang penghitungannya berbeda dengan parameter lainnya. Dengan menggunakan Learning Vector Quantization (LVQ) dimaksudkan agar pengujian sampel bisa langsung mendapatkan hasilnya karena proses pembelajarannya berdasarkan pengalaman (learning by experience). Arsitektur LVQ ini dapat digambarkan seperti gambar berikut. Learning Vector Quantization (LVQ) merupakan suatu metode untuk melakukan pelatihan terhadap lapisanlapisan kompetitif yang terawasi. Lapisan kompetitif akan belajar secara otomatis untuk melakukan kelasifikasi terhadap vektor input yang diberikan. Apabila beberapa vekor input memiliki jarak yang sangat berdekatan, maka vektor-vektor input tersebut akan dikelompokkan dalam kelas yang sama[8]

3 Tahap pengujian mempunyai kesamaan dengan tahap pengujian namun tahap ini lebih relatif singkat karena tidak ada inisialisasi bobot awal, parameter seperti learning rate, pengurangan α, minimal α, maksimal iterasi dan perbaikan nilai bobot. Nilai bobot diambil dari hasil pembelajaran yang sebelumnya sudah dilakukan dan tersimpan di database. Untuk lebih jelasnya berikut adalah tahap-tahapnya.[8] a. Masukkan data yang akan diuji, misal : xij, dengan i = 1,2,...,np, dan j = 1,2,...,m. b. Kerjakan untuk i = 1 sampai np. 1) Tentukan J sedemikian hingga xi-wj minimum. Dengan j = 1,2,...,k. 2) J adalah kelas untuk xi. Aplikasi yang akan dibangun menggunakan web base dan bahasa pemrogramannya menggunakan PHP. Untuk penyimpanan data ajar, inisialisasi dan data lainnya menggunakan MySQL. Berikut adalah alur atau proses aplikasi secara garis besar yang memperlihatkan masukan, proses, dan keluaran dari sistem yang akan dirancang. Aplikasi akan menghasilkan keluaran berupa tingkat pencemaran air dari data sampel yang di inputkan. Gambar 1.Arsitektur Aplikasi LVQ Kualitas Air Teknisnya dalam pembelajaran atau pelatihan data ada beberapa tahap-tahap yang dilakukan untuk mendapatkan hasil akhir, tahap-tahap tersebut sebagai berikut.[8] a. Tetapkan : 1) bobot awal awal variabel input ke-j menuju ke kelas (cluster) ke-i: Wij, dengan i = 1,2,...,K; dan j = 1,2,...,m. 2) Parameter learning rate (α), pengurangan learning rate (decα), minimal learning rate (minα) dan maksimal iterasi (MaxIter). Gambar 1.Diagram Konteks Aplikasi LVQ Kualitas Air b. Masukkan : 1) Data input: xij, dengan i = 1,2,...,n; dan j = 1,2,...,m. 2) Target berupa kelas: Tk, dengan k = 1,2,...,n. c. Tetapkan kondisi awal : epoch = 0. Gambar 1 diatas merupakan diagram konteks dari aplikasi. User adalah entitas luar yang dapat mengakses aplikasi. Diagram ini akan dikembangkan lagi ke DFD level 0 seperti gambar berikut. d. Kerjakan jika : (α minα) dan (epoch < MaxIter) 1) Epoch = epoch +1. 2) Kerjakan untuk i = 1 sampai n. a) Tentukan J sedemikian hingga xi-wi minimum, dengan j = 1,2,...,k....(2) b) Perbaiki Wj dengan ketentuan. Jika T = Cj maka wj = wj + α (xi - wj)...(3) Jika T C j maka wj = wj - α (xi - wj)...(4) Gambar 2.DFD Level 0 3) Kurangi nilai α. Pengurangan α dilakukan dengan cara α = α * decα. Gambar 2 merupakan DFD level 0 dari aplikasi. Diagram ini adalah pengembangan dari diagram konteks. Tahap diatas akan diulang 4 kali untuk kelas pencemaran air lainnya. Hasil keluar dari aplikasi berupa informasi tingkat pencemaran air pada ke empat kelas pencemaran air. Berikut adalah relasi antar tabel aplikasi LVQ yang menjadi database penyimpanan data

4 Gambar 6.Aplikasi memproses pengujian Pengujian dilakukan untuk menilai seberapa akuratnya apliaksi yang telah dibuat untuk mengenali tingkat pencemaran air. Pengujian dilakukan dengan data uji 50 unit dengan target yang sudah diketahui sebelumnya. Gambar 3.Relasi Antar Tabel Pada Gambar 3 berisikan tentang tabel-tabel yang digunakan dan relasi diantara tabel-tabel tersebut. Tabeltabel yang dibuat berelasi satu sama lainnya seperti tabel data_latih dengan data target, tabel kelas dengan bobot dan data_target dan tabel status_mutu dengan data_target dan bobot, hanya tabel setting yang tidak berelasi dengan tabel lainnya. Tabel 1.Tabel hasil pengujian aplikasi No Setelah aplikasi selesai dirancang dan dibangun maka tahap selanjutnya adalah tahap pengoperasian aplikasi dari pembelajaran hingga pengujian. Gambar 4.Form Settings(inisialisasi) Pada tahap pembelajaran, penelitian ini nilai learning rate yang diberikan pada inisialisasi adalah 0,01. Pengurangan learning rate sebesar 0,001. Minimal learning rate 0 dan maksimal iterasi Gambar 5.Aplikasi memproses 100 data Setelah proses pembelajaran 100 data selesai, maka dihasilkan bobot akhir untuk ke empat kelas. Bobot inilah yang akan digunakan pada tahap pengujian untuk mengenali tingkat pencemaran air Kelas I Nilai Kebenaran Kelas II Kelas III Kelas IV

5 Tabel 1 diatas merupakan hasil pengujian pada 50 unit data yang menghasilkan nilai kebenaran aplikasi dalam mengklasifikasikan data masukkan. Setelah diketahui jumlah nilai kebenaran pada setiap kelas maka selanjutnya adalah menilai keakuratan untuk setiap kelasnya. Penghitungan persentase akurasi per kelas dirumuskan sebagai berikut....(5) Dari hasil pengujian menunjukkan bahwa keakuratan aplikasi untuk pengenalan tingkat pencemaran air pada kelas I baru mencapai 76%, kelas II 72%, kelas III 86%, kelas IV 70%. Kemudian semua persentase dijumlahkan dan dicari ratarata ke empat kelas menjadi persentase akhir. Penghitungan persentase akhir dirumuskan sebagai berikut. Daftar Pustaka [1] Ministerie van Marine (Afdeling Hydrografie), Zeemansgids voor den Oost-Indischen Archipel Jilid III, Mouton & Co, sgravenhage, [2] Peraturan Gubernur Provinsi Kalimantan Selatan Nomor 05 Tahun 2007 tentang Peruntukan dan Baku Mutu Air Sungai. 29 Januari Banjarmasin. [3] Badan Pusat Statistik (B PS). Persentase Rumah Tangga Menurut Provinsi dan Sumber Air Minum Berbagai Tahun Penerbitan. [4] Badan Pusat Statistik (BPS) Provinsi Kalimantan Selatan. Indeks Pembangunan Manusia. Berbagai Tahun Penerbitan. [5] Badan Pusat Statistik. Berita Resmi Statistik BPS Provinsi Kalimantan Selatan No.28/05/63/Th.XIX, 04 Mei [6] Greenpeace, Terungkap:Tambang Batubara Meracuni Air Kalimantan Selatan, Greenpeace Indonesia, Jakarta, [7] Undang-Undang Republik Indonesia Nomor 32 Tahun 2009 tentang Perlindungan dan Pengelolaan Lingkungan Hidup. 3 Oktober Lembaran Negara Republik Indonesia Tahun 2009 Nomor 140. Jakarta. [8] Kusumadewi, S. & Hartati, S., Neuro-Fuzzy Integrasi Sistem Fuzzy & Jaringan Syaraf, Edisi 2, Graha Ilmu, Yogyakarta, [9] Atthina, N., Iswari, I., Klasterisasi Data Kesehatan Penduduk untuk Menentukan Rentang Derajat Kesehatan Daerah dengan Metode K-Means. Jurnal SNASTI, 2015, B-52 - B-59 Biodata Penulis Muhammad Ridha Rahimi, saat ini menjadi Mahasiswa di STMIK AMIKOM Yogyakarta. Hartatik, S.T., M.Cs., memperoleh gelar Sarjana Teknik (S.T), Jurusan Teknik Informatika Universitas Muhammadiyah Cirebon, lulus tahun Memperoleh gelar Master of Computer Science (M.Cs) Program Pasca Sarjana Ilmu Komputer Universitas Gajah Mada Yogyakarta, lulus tahun Saat ini menjadi Dosen di STMIK AMIKOM Yogyakarta....(6) Maka diketaui rata-rata keakuratan aplikasi hanya mencapai 76%. 3. Kesimpulan Kesimpulan pada penelitian ini adalah algoritma Learning Vector Quantization dapat diterapkan pada pengklasifikasian tingkat pencemaran air sungai. Dengan learning rate 0,01, pengurangan learning rate 0,001 dan maksimal iterasi mendapatkan keakuratan aplikasi sebesar 76%. Nilai ini tidak bersifat tetap, nilai ini dapat dipengaruhi oleh pengubahan nilai learning rate, deca, mina dan maksimal iterasi pada saat pembelajaran. Nilai ini juga dipengaruhi oleh banyaknya parameter masukkan, semakin banyak data pembelajaran diharapkan aplikasi dapat mengenali lebih banyak pola pengklasifikasian air sungai yang dapat meningkatkan nilai akurasi aplikasi

6 4.9-6